基于深度学习的关联目标情感分析研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 相关研究工作 | 第14-17页 |
| 1.2.1 传统方法研究现状 | 第14-15页 |
| 1.2.2 机器学习方法研究现状 | 第15页 |
| 1.2.3 深度学习方法研究现状 | 第15-17页 |
| 1.3 主要研究内容 | 第17页 |
| 1.4 本文结构 | 第17-19页 |
| 第二章 关联目标情感分析相关理论及技术介绍 | 第19-29页 |
| 2.1 文本情感分析理论 | 第19-20页 |
| 2.1.1 文本情感分析 | 第19页 |
| 2.1.2 基于文本粒度的分类 | 第19-20页 |
| 2.2 关联目标情感分析 | 第20-21页 |
| 2.3 卷积神经网络 | 第21-23页 |
| 2.3.1 卷积层 | 第21-22页 |
| 2.3.2 池化层 | 第22-23页 |
| 2.3.3 全连接层 | 第23页 |
| 2.4 长短期记忆网络 | 第23-24页 |
| 2.5 词向量 | 第24-26页 |
| 2.5.1 离散表示 | 第24-25页 |
| 2.5.2 分布式表示 | 第25-26页 |
| 2.6 倾向性分类评估标准 | 第26页 |
| 2.7 实验数据及处理 | 第26-27页 |
| 2.8 对比模型 | 第27-28页 |
| 2.9 本章小结 | 第28-29页 |
| 第三章 基于多样化特征CNN的关联目标情感分析 | 第29-43页 |
| 3.1 多样化特征CNN | 第29-35页 |
| 3.1.1 情感得分计算 | 第30-31页 |
| 3.1.2 情感特征构建 | 第31页 |
| 3.1.3 位置得分计算 | 第31-32页 |
| 3.1.4 位置特征构建 | 第32页 |
| 3.1.5 模型构建 | 第32-35页 |
| 3.2 多样化特征CNN实验 | 第35-42页 |
| 3.2.1 实验参数设置 | 第35页 |
| 3.2.2 实验结果与分析 | 第35-42页 |
| 3.3 本章小结 | 第42-43页 |
| 第四章 一种用于关联目标情感分析的深度网络模型 | 第43-54页 |
| 4.1 注意力机制 | 第43-44页 |
| 4.2 CNN-LSTM模型 | 第44-48页 |
| 4.2.1 卷积神经网络 | 第45-46页 |
| 4.2.2 LSTM网络 | 第46-47页 |
| 4.2.3 模型训练 | 第47-48页 |
| 4.3 CNN-LSTM网络实验 | 第48-53页 |
| 4.3.1 实验参数设置 | 第48-49页 |
| 4.3.2 实验结果与分析 | 第49-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 基于分层双向LSTM网络的分类模型 | 第54-64页 |
| 5.1 分层双向LSTM网络模型 | 第54-57页 |
| 5.1.1 区域双向LSTM | 第55-56页 |
| 5.1.2 句子层双向LSTM网络 | 第56页 |
| 5.1.3 分层双向LSTM模型训练 | 第56-57页 |
| 5.2 分层双向LSTM实验 | 第57-63页 |
| 5.2.1 实验结果与分析 | 第57-62页 |
| 5.2.2 网络训练时间分析 | 第62-63页 |
| 5.3 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 攻读硕士学位期间发表论文和参与科研项目情况 | 第72-73页 |
| 致谢 | 第73页 |
